基于BEMD的Canny算子边缘检测算法

提出一种基于二维经验模态分解（BEMD）的Canny算子边缘检测算法,通过BEMD将图像分解成多层本征模函数,利用Canny算子对各分量进行边缘检测,并有选择地逐层重构出图像边缘,在灰度图像集中进行测试。实验结果表明,与传统算法相比,该算法能够获得较好的检测性能。     

基于BEMD与自适应维纳滤波的图像降噪

自适应维纳滤波器是一种经典的线性降噪滤波器,较其他线性滤波器能够更好地解决边界模糊的问题。然而由于含噪图像的噪声主要集中于它的高频部分,而图像的低频部分所含有的噪声较高频部分则小很多。自适应维纳滤波算法对图像中所有频率成份都不加区分地进行滤波降噪处理,因而它不能得到更为令人满意的结果。提出了一种将二维经验模态分解和自适应维纳滤波相结合的图像去噪方法,通过将图像分解为不同频率成份的子图像并对各子图像采用不同的降噪处理,从而更好地对含噪图像进行降噪。实验结果表明,算法相对于自适应维纳滤波算法降噪效果更好。     

基于快速二维经验模态分解的纹理分割

经验模态分解是一种数据驱动的信号分解方法,具有局部性和瞬时性等特性,非常适合非稳态非线性信号分析.提出了一种新的快速二维经验模态分解方法,在新方法中,采用了新的边界抑制算法,改进了经验模态分解算法的筛选条件.将该方法应用于纹理分割,取得了满意的实验效果.     

基于二维经验模态分解的织疵分割算法改进

针对纺织行业织物疵点检测自动化的需求,提出了基于二维经验模态分解（BEMD）的织物疵点分割方法的改进。在BEMD算法中,使用基于Delaunay三角化（DT）的三次样条分段插值替代基于径向基函数（RBF）的全局插值,以提高计算效率和分解有效性。在BEMD的分解结果中,选择第二个和第三个内蕴模式函数（IMF）进行融合后进行分割以提高疵点分割结果的完整性。实验中以多幅典型的疵点织物为样本,对比了不同插值方法和分割对象的检测误差率（DER）,结果显示改进后的疵点分割方法具有更好的计算效率和鲁棒性。     

基于BEMD图像特征点的图像压缩方法

BEMD作为一种较新的多尺度分析方法,在自适应的提取图像符合视觉感知的成分上有其独特的优势。本文探索研究了BEMD在图像压缩领域的应用推广。提出了基于BEMD提取图像分量的特征点的图像压缩理念。对各IMF分量和残余提取他们的极值点和过零点,将极值点和过零点视为特征点,对特征点系数做量化编码,接收端解码,再对特征点插值分别重建各IMF和残余分量,进而重建原图像。通过实验证明了其可行性。     

改进的BEMD在纹理图像检索中的应用

二维经验模式分解（BEMD）方法把图像分解成一组称为固有模式函数（IMF）和残差,广泛应用在纹理图像的检索中。对BEMD检索纹理图像进行改进,使用快速自适应二维经验模式分解（FABEMD）对纹理图像进行分解,创新性地利用广义伽马分布密度函数来对FABEMD分解出来的IMF系数进行建模,并利用Kullback-Leibler距离来计算两张纹理图像的相似性。实验结果表明,算法快速有效。     

BEMD-分层水平集侧扫声纳图像快速分割算法

针对侧扫声纳图像不同区域的像素分布特点,提出了一种改进的BEMD(二维经验模态分解)-分层水平集分割算法。介绍了CV(Chan和Vese)水平集模型和分层水平集模型,利用分层水平集模型进行三类分割。为了提高分割精度,利用BEMD重新描述模型的能量函数。通过BEMD的加权参数,在不影响分割精度的前提下提高模型的抗噪性能。分析了c-均值算法与水平集算法的联系,利用改进的c-均值算法初始化水平集演化曲线,以减少迭代次数。对水平集能量函数添加惩罚项,以提高水平集演化速度。利用改进的BEMD-分层水平集分割算法进行无监督的图像分割实验并与其他算法比较,验证了该算法的抗噪性、分割的准确性和快速性。     

一种BEMD第一余量图像压缩的方法

提出一种针对二维经验模态分解第一余量图像的压缩方法。解释了第一模态、第一余量和第一均值等概念,将可以利用网格特征点表示的各个均值曲面分别进行压缩。根据第一余量曲面和其各个均值曲面的加和关系,将各个均值曲面分别重建后再相加得到第一余量曲面(图像)高质量的还原结果。实验结果表明,该方法在图像低频信息压缩方面与传统的压缩方法相比具有明显优势。     

基于BEMD的图像去噪

通过研究图像信号去噪的原理和过程,提出一种基于BEMD的图像去噪算法.首先利用BEMD方法对图像信号进行分解,然后对分解结果的频谱特性进行选择性的去噪.针对噪声和图像信号混叠,采用一种选取的阀值优于软阀值或者硬阀值的方法.去噪结果能充分保留图像信号本身所固有的非平稳特征,并具有自适应强和灵活、有效的特点.实验证明,该算法是一种比小波去噪法更有效的图像信号去噪方法.     

基于BEMD和位平面分解的彩色图像水印算法

为了得到水印更好的鲁棒性和不可见性,以二维经验模态分解（BEMD）和位平面分解为基础,提出了一种新的彩色图像水印嵌入算法。该算法运用人类视觉系统（HVS）的特性和Arnold置乱变换,将位平面分解的水印信息嵌入到宿主图像其中一个固有模态函数（IMF）中,完成水印的有效嵌入。实验表明,该算法具有良好的鲁棒性和不可感知性,能够有效抵抗JPEG压缩、中值滤波、旋转、椒盐噪声和高斯噪声等多种恶意攻击。     

二维EMD分解的数字图像压缩

二维EMD为图像处理提供了一个强有力的工具。图像进行EMD分解后,将会得到一系列的IMF和图像残差。由于分解出来的第一层IMF包含了图像的细节部分,笼统地对其进行压缩会造成图像高频部分损失,压缩图像质量不高。针对这种情况,将第一层IMF与其他层分开处理。通过与块离散余弦变换压缩方法进行比较,得出结论。     

使用二维EMD的红外和彩色可见光图像融合

针对红外和彩色可见光图像的融合,提出了一种基于二维经验模式分解（BEMD）的新的融合方法。源图像由BEMD分解成为本征模式函数集（IMFs）和残余;再将红外图像的IMFs和残余分别与对应可见光图像的IMFs和残余进行灰度范围匹配后,用加权平均方法进行融合;最后由BEMD重构成融合图像。用此法所得的融合图像增强了红外图像的细节并具有与可见光图像相似的自然色彩。实验中将此法与传统的小波变换方法和主成分分析方法进行了比较,还与经验模式分解（EMD）和复经验模式分解（CEMD）的方法进行了比较,实验结果都证明了该方法的融合效果最优。     

基于FABEMD的变化光照下人脸识别方法

在光照变化的环境下,人脸识别因受到光照强度和方向的非线性干扰而变得困难重重。在人脸局部区域,光照的变化比较缓慢,而皮肤对光照的反射率特征变化比较快,可以认为光照变化是低频信号,而人脸本质特征是高频信号。FABEMD是一种快速自适应的BEMD（Bidimensional Empirical Mode Decomposition,二维经验模式分解）方法,它能够将图像分解为不同尺度的高频图像和低频图像,高频图像代表了人脸皮肤细节纹理特征,而低频图像则代表了轮廓特征。但是并不能定量判别什么样的高频信号以及多少高频信号能够用来消除光照影响,所以提出了两种衡量高频细节信息量的方法,将这些信息量的相对值来推算融合不同尺度的高频信号权重系数。基于Yale B人脸数据库的实验数据证明了所提方法能够取得很好的识别效果。     

基于二维经验模式分解的图像水印嵌入算法

提出一种基于二维经验模式分解(BEMD)的图像水印嵌入算法,完成水印的嵌入和提取。对水印进行置乱并对原图像进行分块处理,再对置乱后的水印和分块后的原图像分别做BEMD分解,获得其相应若干固有模态函数(IMF),将水印的IMF分别嵌入分块后的原图像中,完成水印的嵌入。实验证明,该方法较以往的方法在水印的嵌入量上有了提高且鲁棒性较好,同时具有不可见性和较高的安全性。     

基于BEMD和灰度共生矩阵的图像特征提取

提出了一种新的图像特征提取方法,用二维经验模式分解将图像分解到固有模态函数（Intrinsic Mode Functions,IMF）域,即将图像分解成一系列的IMF和一个残差。并结合灰度共生矩阵对所提取到的各IMF图像和残差图像进行特征提取。为了验证算法的有效性,将其推广到像素级,对合成纹理和遥感图像进行了特征提取,并结合核模糊聚类（KFCM）算法对提取的特征向量做聚类分析,实现了图像的有效分割。     

基于二维EMD和RBF的纹理分割方法

经验模式分解（EMD）是最近提出的新的图像多尺度分析方法。通过对纹理图像进行二维经验模式分解来提取合适的纹理特征,再采用FCM聚类算法进行分割,实验表明,使用径向基函数在筛分过程中进行插值的效果较优。     

基于二维EMD分解的图像压缩研究

综合Anna的极值点压缩算法和多抽样重叠块压缩算法,提出了一种新的基于二维EMD分解的数字图像压缩方法。先对自然图像进行二维EMD分解,对分解后的IMF抽样点进行熵编码。与两种压缩方法所得的结果比较分析,在确保图像质量的前提下,找到了一种更好的方法,对图像进行压缩。     

基于BEMD和PCA的数字图像压缩

二维经验模式分解（BEMD）方法是一种不依懒于基函数的数据驱动的自适应方法,主成分分析（PCA）算法具有去相关性好、压缩比高等特点。因此尝试运用BEMD算法对图像进行分解,利用PCA算法对分解后的子图像进行压缩。通过Matlab仿真,证明了该方法的有效性和优越性,且基本实现了高压缩比下达到高信噪比的目的。     

BEMD在复杂背景下弱小目标检测中的应用

针对复杂背景下的弱小目标检测与识别问题,提出了一种基于二维经验模态分解(Bidimensional Empirical Mode Decomposition,BEMD)的检测算法。待检测的原图像经过BEMD分解筛选出多个二维的内蕴模函数(Intrinsic Mode Functions,IMF)和趋势图像,使用全局门限法分割各个IMF,将处理后的IMFs综合成一个分割出待检测目标的结果图像。实验结果表明,该方法使用简洁的步骤,有效、准确地检测出弱小目标。